数据分析师简历：SQL、Python 与能证明价值的项目

数据分析岗位的投递量极大，而且大多数简历长得一模一样：一串工具、一张培训班证书、一个基于公开数据集的看板。能进入面试名单的，靠的不是更多工具，而是「我的分析改变了一个决定」这件事的证据。

结构

1. 抬头：姓名、城市、联系方式，以及 GitHub、作品集或已发布看板的链接。
2. 简介：3–4行说明业务领域、主力技术栈，以及你的分析促成的最有价值的那个决定。
3. 技术技能：分组列出——语言、数据库、BI工具、统计与方法。
4. 工作经历：公司、职位、时间、数据规模，3–5条体现影响的条目。
5. 项目：两三个，只有在工作经历展示不出来的情况下才写。
6. 教育与认证。

简介范例

数据分析师，零售电商领域4年，日常在超过4000万行订单数据的数仓上使用SQL与Python。搭建的流失分析报表促成了六位数留存预算的重新分配，并把一套报表自动化，为业务团队每月节省两天。

写影响，不要写工具

• 用SQL与Python搭建同期群留存模型，发现调价后次月留存下降19%，促成回滚该调整。
• 用一个Power BI模型替代14份手工Excel报表，报表时间从两天缩短到20分钟。
• 设计结算流程的A/B测试（每组6万次会话），并与产品团队确定停止规则。
• 用dbt重建收入数据模型，把财务与产品口径的差异降到1%以内。
• 自动化数据质量校验，使一次埋点上线故障在数小时内而非数周后被发现。

技术板块

• 语言：SQL（窗口函数、CTE）、Python（pandas、NumPy），真的在用才写R。
• 数据库与数仓：PostgreSQL、MySQL、BigQuery、Snowflake、Redshift。
• BI与可视化：Power BI、Tableau、Looker、Metabase，以及高级水平的Excel。
• 管道与版本管理：dbt、Airflow、Git——在分析工程岗位上很能拉开差距。
• 方法：A/B测试、回归、同期群与漏斗分析、预测、显著性检验。

只写你经得起追问的内容。在SQL上装深度，通常第一轮技术面试一个关于连接或窗口函数的问题就会露馅。

还没有正式工作经验？

1. 用两三个基于真实脏数据的项目，而不是已经清洗好的教学数据集。
2. 先写问题：这个分析支撑的是哪个决策？
3. 展示你的SQL和思路，而不只是最后那张图。
4. 把代码公开并附上链接。一个能打开的仓库比一张证书更有说服力。
5. 把上一份工作里的分析性工作——报表、定价、运营分析——算作经验，因为它确实是。

没有人会为一句查询语句雇用分析师，他们雇的是这句查询让什么决定成为可能。